Prognose von Verkehrs- und Mobilitätsnachfrage

Straßenbetreiber, Städte, Verkehrsunternehmen und Mobilitätsanbieter brauchen alle dieselbe Antwort: Wie viele Fahrzeuge oder Fahrgäste werden wann wo sein? Heute kommt diese Antwort oft aus statischen Fahrplänen, Zählungen des Vorjahres oder einem strategischen Verkehrsmodell, das nur alle paar Jahre aktualisiert wird. KI-Prognosen verbinden Live-Detektor- und Probe-Daten, Ticketing- und Fahrgastzählungen, Kalender, Veranstaltungen und Wetter in Gradient-Boosting-, Graph-Neural-Network- oder Zeitreihen-Foundation-Modellen. Ergebnisse sind Stauprognosen für die nächste Stunde, Auslastungsprognosen für jeden Zug und stündliche Nachfrage je Zone für Sharing, Ridepooling, Parken und Laden. Diese speisen Signalsteuerung, Disposition, Flottenumverteilung und Fahrgastinformation, sodass Betreiber handeln können, bevor der Stau oder der überfüllte Zug entsteht.

Problem & Nutzen

• Heute: Verkehrsleitzentralen reagieren auf Staus, sobald sie sichtbar sind. Verkehrsunternehmen planen Kapazitäten nach Jahreszählungen. Sharing- und Ridepooling-Betreiber verteilen Fahrzeuge nach Faustregel um. Die strategische Planung stützt sich auf makroskopische Vier-Stufen- oder agentenbasierte Modelle, die an Befragungen kalibriert sind. Der Kurzfristbetrieb hat wenig Prognoseunterstützung.
• KI-Nutzen: Prognosen lassen Betreiber handeln, bevor Probleme auftreten. Beispiele sind das Umleiten oder Ändern von Signalplänen, bevor sich Staus bilden, zusätzliche Wagen für Züge mit vorhergesagter Überfüllung, weniger volle Abfahrten für Fahrgäste anzeigen, Roller und Ridepooling-Fahrzeuge dorthin stellen, wo die Nachfrage entsteht, sowie die Bemessung von Lade- und Parkkapazität.
• Belege:
• Google Maps / DeepMind: Graph Neural Networks verbesserten die Echtzeit-ETA-Genauigkeit in mehreren Städten, darunter Berlin, um bis zu 50 %. Berichtete Verbesserungen reichen von 16 % (London, Kopenhagen) bis 51 % (Taichung) [1].
• PTV Optima, Abu Dhabi: PTV wurde im Oktober 2024 (als Unterauftragnehmer von ST Engineering) ausgewählt, es als Echtzeit-Vorhersagemodul der multimodalen ITS-Plattform der Stadt zu liefern; es prognostiziert Staus und Verzögerungen bis zu 60 Minuten im Voraus [2].
• SBB: Die Schweizerischen Bundesbahnen bauen seit 2017 ein landesweites agentenbasiertes MATSim-Modell (SIMBA MOBi) auf; seit etwa 2020 ist es ein etabliertes Planungsprodukt [3].
• Datenschub: Die überarbeitete EU-ITS-Richtlinie (2023/2661) und die delegierten Verordnungen zu Echtzeit-Verkehrsinformationen (2022/670) und multimodalen Reiseinformationen (2017/1926, geändert durch 2024/490) verlangen, dass Straßen-, Verkehrs- und Reisedaten über Nationale Zugangspunkte verfügbar sind. In Deutschland ist das die Mobilithek. Dadurch stehen Städten und KMU deutlich bessere Trainingsdaten zur Verfügung [4][5].

Varianten

• Straßenverkehr (kurzfristig): Fluss, Geschwindigkeit, Reisezeit und Staulänge je Abschnitt, 5–60 min im Voraus, für Verkehrsleitzentralen, Autobahnbetreiber (z. B. Autobahn GmbH) und städtische ITS. Dies speist OPT-025 (adaptive Signalsteuerung) und das Störfallmanagement.
• Fahrgastaufkommen & Auslastung im ÖPNV: Fahrgäste je Fahrt, Linie und Haltestelle sowie Auslastung im Fahrzeug (veröffentlicht als GTFS-Realtime occupancy_status [6]). Genutzt für Kapazitätsplanung, Zugbildung und Fahrgastinformation („dieser Zug ist voll").
• Geteilte & bedarfsgesteuerte Mobilität: stündliche Nachfrage je Hexagon für Fahrrad- und Rollersharing, Carsharing, Taxis und Ridepooling. Dies steuert die Umverteilung und die Flottenpositionierung für OPT-028.
• Parken & E-Laden: Prognosen der Belegung von Parkhäusern und Straßenparkplätzen sowie der Nutzung von Ladepunkten. Eingaben für Parkleitsysteme und die Planung von Depot- und öffentlichem Laden (OPT-021, PRED-007).
• Veranstaltungen, Tourismus & Spielstätten: Besucherströme für Stadien, Messen, Flughäfen und Innenstädte, kombiniert mit Passantenzählungen (VIS-008).
• Strategische & Szenarioprognosen: Quelle-Ziel-Matrizen (OD) und mehrjährige Nachfrage für neue Linien, Baustellen oder Mobilitätspolitik. Das ist klassische Verkehrsmodellierung (PTV Visum, MATSim, ActivitySim), zunehmend mit ML und Mobilfunkdaten kalibriert.
• Logistik: erwartete Reisezeiten je Korridor und Zeitfenster für die Tourenplanung (OPT-001) und die Ankunftsvorhersage (PRED-018, das die ETA je Sendung verantwortet).
• Private Nutzung: Abfahrtszeitplanung in Navigations-Apps für Verbraucher („Fahren Sie um 7:40 los") und ÖPNV-Apps, die die Auslastung zeigen. Menschen nutzen dies über Google Maps, HERE WeGo oder Apps der Verkehrsunternehmen, statt es selbst zu bauen.

So funktioniert es

1. Datenaufnahme (Detektoren / DATEX II, Probe-Daten, GTFS-RT, APC, Ticketing, Sharing- & Ladeprotokolle)
2. Bereinigung & Imputation (Detektorausfälle, Map-Matching, APC-Kalibrierung, Aggregation für den Datenschutz)
3. räumliches Netzmodell (Straßengraph / Haltestellen- & Liniengraph / H3-Hexagone)
4. Merkmalsverknüpfung (Kalender, Feiertage, Veranstaltungen, Baustellen, Wettervorhersage, Vorfälle)
5. Prognosemodell (GBM je Abschnitt | raumzeitliches GNN | Zeitreihen-Foundation-Modell | Simulation)
6. probabilistische Prognose + Anomalie-/Vorfallsmarkierungen
7. Abnehmer: Verkehrsleitzentrale, Disposition & Umverteilung, Fahrgastinformation, Planungs-Dashboards
8. Mensch-in-der-Schleife: Betreiber geben Steuerungsmaßnahmen frei; Planer prüfen Szenarien

• Kurzfristige Straßenprognosen funktionieren am besten mit raumzeitlichen Modellen, die den Netzgraphen nutzen. Optionen sind Graph Neural Networks (DCRNN, Graph WaveNet, STGCN und Nachfolger) oder hybride Engines aus Modell und ML wie PTV Optima, die dynamische Verkehrsumlegung mit ML verbinden [2].
• Fahrgastaufkommen & Zonennachfrage: Gradient Boosting (LightGBM/XGBoost) auf Kalender-, Wetter- und Veranstaltungsmerkmalen bleibt die stärkste und am besten erklärbare Basislinie. Globale Modelle, die über alle Linien oder Zonen trainiert werden, kommen mit dünnen Zeitreihen gut zurecht.
• Zeitreihen-Foundation-Modelle (Chronos-2, Moirai 2.0, TimesFM) liefern Zero-Shot-Basislinien für neue Haltestellen, Bahnhöfe oder Ladestandorte mit wenig Historie [7][8][9].
• Simulation (SUMO, MATSim, PTV Visum/Vissim) beantwortet „Was wäre wenn"-Fragen, die reines ML nicht beantworten kann, etwa die Wirkung einer neuen Linie, einer Sperrung oder einer politischen Änderung, weil diese Situationen nicht in der Historie vorkommen [3][10].
• Mensch-in-der-Schleife (Human-in-the-Loop): Prognosen sind Entscheidungsunterstützung. Verkehrssteuerungsmaßnahmen, Zugbildung und Angebotsänderungen werden von Betreibern freigegeben. Planer prüfen Szenarioergebnisse vor Entscheidungen.

Datenaufbereitung

Benötigte Daten: Zählwerte von Straßendetektoren und DATEX-II-Feeds, Probe- oder Floating-Car-Geschwindigkeiten, GTFS- und NeTEx-Fahrpläne mit Echtzeit-Aktualisierungen, Ticketing- und Fahrgastzähldaten, Park- und Ladevorgänge sowie Veranstaltungen, Schulferien und Wetter. Sie liegen bei Straßenbetreibern, Verkehrsunternehmen, in Ticketingsystemen, in Anbieterportalen und in Excel-Exporten von Zählkampagnen.

Typische Lücken: ausgefallene Detektoren, geänderte Sensorstandorte, Ticketingdaten ohne Fahrtzuordnung, über die Jahre unterschiedliche Netzversionen, fehlende Veranstaltungskalender und strenge Zugriffsregeln, da Fahrgast- und Fahrzeugdaten personenbezogen sein können.

Aufbereitungsschritte: - Quellen, Verantwortliche und Lizenzen erfassen (PREP-001, PREP-004). - Sensoren und Haltestellen auf eine Version des Straßen- oder Liniennetzes abbilden. - Sensorausfälle erkennen und imputieren; Baustellen und Sonderveranstaltungen markieren. - Einzelne Fahrten aggregieren oder pseudonymisieren (PREP-022) und Zweck sowie Rechtsgrundlage prüfen (PREP-025). - Kalender-, Veranstaltungs- und Wettermerkmale ergänzen (PRED-017). - Einen Rücktestdatensatz mit bekannten Störungen aufbauen (PREP-018).

Werkzeuge: GTFS-Werkzeuge, PostGIS, pandas, ein Zeitreihenspeicher. Anteil am Gesamtaufwand: etwa 50 bis 60 Prozent, der höchste Anteil am Modellaufwand. Zur Zeitreihenbehandlung siehe DATA-003, zu Geodaten DATA-008.

Umsetzungswege

Welcher Weg für wen

• smb (A): Kleine Betreiber (Parken, Flotten, Shuttle-Dienste) werden am besten mit etablierten Verkehrsdaten- und Prognoseprodukten mit EU-Hosting bedient.
• enterprise (B): Mobilitätsanbieter brauchen Prognosen, die an eigene Buchungs-, Flotten- und Fahrgastdaten gekoppelt sind, daher passen Cloud-APIs plus eigene Modelle.
• developer (C): Offene Verkehrsdatensätze, GTFS-Feeds und Open-Source-Zeitreihen- und Graphmodelle laufen auf bescheidener Hardware (HW1).
• public (C): Städte und Verkehrsunternehmen besitzen die Daten, unterliegen Vergabe- und Souveränitätsregeln und profitieren von offenen Standards und Open-Source-Stacks auf souveräner Infrastruktur.
• private (A): Navigations- und ÖPNV-Apps zeigen bereits Verkehrs- und Auslastungsprognosen.

Weg A — Kaufen (Standardsoftware)

Empfohlen für die meisten KMU und Städte. - Verkehrsmanagement-Plattformen mit Prognose: PTV Optima / PTV Flows (PTV Group, DE), Yunex Traffic (DE), Kapsch TrafficCom (AT), Aimsun Live (ES). Typische Käufer sind Städte, Regionen und Autobahnbetreiber. - Verkehrsdaten & Vorhersagedienste: TomTom (NL), HERE (NL), INRIX (US). Sie liefern historische und aktuelle Geschwindigkeiten, Reisezeiten und Profile des typischen Verkehrs. TomTom Traffic Stats deckt mehr als 70 Länder ab [11]. - Öffentlicher Verkehr: APC-Hardware und Analytik von ITS-Anbietern für Verkehrsunternehmen wie INIT (DE) und IVU (DE) sowie Auslastungsprognosen in Apps der Betreiber. Mobilfunkbasierte Mobilitätsanalysen liefern anonymisierte Quelle-Ziel-Ströme. - Strategische Modellierung: PTV Visum / Vissim (DE) für Nachfragemodelle und Szenarien. - A wählen, wenn Sie Prognosen in einem Betriebssystem brauchen (Leitzentrale, AVL/ITCS) oder als KMU nur Reisezeitprognosen für die Planung benötigen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Routing-APIs mit vorausschauendem Verkehr: Google Maps Platform Routes API mit einer zukünftigen departureTime. Je weiter die Abfahrt in der Zukunft liegt, desto stärker stützt sie sich auf historischen Verkehr [12]. Die Routing-APIs von HERE und TomTom bieten dasselbe. Das ist der schnellste Weg für Logistik-KMU.
• Verwaltete Prognose: Vertex AI / BigQuery ML (TimesFM ist über Google-Cloud-Dienste kommerziell nutzbar [9]), Amazon SageMaker / AutoGluon mit Chronos-2 [7], Azure ML. EU-Regionen nutzen (Frankfurt, Amsterdam, Paris) oder EU-Anbieter wie STACKIT, IONOS und OVHcloud für selbst verwaltete Container.
• Daten: Feeds der Nationalen Zugangspunkte (Mobilithek in Deutschland [5]), GTFS / GTFS-RT, DATEX II sowie eigene APC- oder Sharing-Protokolle, abgelegt in einem Cloud-Data-Warehouse.
• B wählen, wenn Sie eigene Betriebsdaten (Flotte, Sharing, Ladenetz) und ein kleines Datenteam haben, aber keine Vorgabe zum Betrieb im eigenen Haus.

Weg C — Selbst betreiben (Open Source)

• Modellbibliotheken: LightGBM/XGBoost, Nixtla statsforecast / neuralforecast, AutoGluon-TimeSeries, PyTorch Geometric Temporal für GNNs. LibCity bietet 74 reproduzierte Modelle für Aufgaben der Verkehrsfluss-, Geschwindigkeits-, On-Demand-Service- und OD-Vorhersage (Apache-2.0) [13].
• Foundation-Modelle: Chronos-2 (Apache-2.0, 120 Mio. Parameter; kleine Variante mit 28 Mio.) [7] kann selbst betrieben werden; die Gewichte von Moirai 2.0 [8] stehen unter CC-BY-NC-4.0 (nicht kommerziell). Beachten Sie, dass die Gewichte von TimesFM 3.0 eine nicht kommerzielle Lizenz tragen. Kommerzielle Nutzung ist nur über Google-Cloud-Dienste möglich, und das ältere TimesFM 2.5 steht unter Apache-2.0 [9].
• Simulation: SUMO 1.28 (EPL-2.0/GPL-2.0, ein Projekt der Eclipse Foundation) [10], MATSim [3] und ActivitySim für agentenbasierte Nachfrage.
• Benchmarks zur Modellauswahl: LargeST umfasst 8.600 kalifornische Sensoren für 2017–2021 mit 12 Basislinien [14]. PeMS/METR-LA sind klassisch, aber klein.
• Streaming & Betrieb: Kafka oder Redpanda, Apache Flink, TimescaleDB/PostGIS und MLflow als Modellregister.
• Hardware: HW1 (CPU-Server) genügt für GBM und Foundation-Modell-Inferenz im Stadtmaßstab. HW2 (eine GPU mit 24–32 GB) wird für das Training von GNNs auf großen Netzen und für schnellere Simulationskalibrierung benötigt.

Weg D — Eigenes Training

Lohnt sich für Straßenbetreiber, große Verkehrsunternehmen und Mobilitätsplattformen mit mehrjähriger Detektor-, Probe- oder Ticketing-Historie. Typische Arbeiten sind das Training eines raumzeitlichen GNN auf dem eigenen Netz oder das Feintuning eines Foundation-Modells auf allen Linien oder Zonen. Dafür sind mindestens 1–2 Jahre saubere Daten mit 5–15 min Auflösung nötig, die Feiertage und Veranstaltungen abdecken, plus ein gepflegter Netzgraph. Die meisten Gewinne kommen aus besseren Daten (Detektor-Imputation, Veranstaltungskalender, APC-Kalibrierung), nicht aus der Modellarchitektur.

Stand der Technik (2026)

• Produktionsmuster: Hybridsysteme verbinden Probe-Daten, einen Netzgraphen und ML oder ein GNN für Horizonte von Minuten bis zu einer Stunde. Der Einsatz des GNN bei Google Maps [1] und die KI-plus-dynamisches-Modell-Engine von PTV Optima [2] sind die Referenzbeispiele. Gradient Boosting bleibt das Arbeitspferd für Fahrgastaufkommen und Zonennachfrage.
• Zeitreihen-Foundation-Modelle verarbeiten inzwischen Kovariaten. Chronos-2 (Okt. 2025) unterstützt multivariate und kovariatengestützte Prognosen im Zero-Shot-Verfahren [7]. TimesFM 2.5 ergänzte Kovariaten, und TimesFM 3.0 (Aug. 2026) unterstützt sie nativ [9]. Moirai 2.0 erschien im Aug. 2025 [8]. All das hilft beim Kaltstart (neue Stationen, neue Ladestandorte).
• Forschung: Großskalige Benchmarks (LargeST [14]) zeigten, dass viele GNNs, die Basislinien auf kleinen Datensätzen schlagen, schlecht skalieren. Der Forschungsschwerpunkt hat sich auf skalierbare raumzeitliche Modelle, LLM-basierte und Foundation-Modelle für urbane Daten sowie die Schätzung von OD-Matrizen verlagert.
• Grenzen und Fehlerbilder:
• Prognosen versagen bei Regimewechseln wie Pandemien, neuen Linien, der Tarifänderung beim Deutschlandticket, Streiks, großen Baustellen und einmaligen Veranstaltungen. Szenariosimulation und schnelles Nachtraining nutzen.
• Detektor- und APC-Daten sind verrauscht und lückenhaft.
• Probe-Daten sind zugunsten der Fahrzeugflotten verzerrt, die sie melden.
• Prognosen, die Fahrer lenken, können das Verhalten ändern und sich selbst entwerten.
• Seltene Vorfälle (Unfälle) sind nach Zeit und Ort im Wesentlichen unvorhersagbar. Erkennen Sie sie schnell, statt sie vorhersagen zu wollen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Zeitreihen-Stack (Zeitreihen + Tabellen-ML + Streaming): PRED-001 Nachfrage, PRED-007 Energielast, PRED-011 Personaleinsatz, PRED-017 Wetterauswirkungen, PRED-042 Luftqualität. Ein Feature Store, ein Prognosedienst (GBM plus Chronos-2/Moirai) und ein HW1-Server können alle bedienen.
• Vorgelagerte Sensorik: VIS-012 (kamerabasierte Verkehrszählung und Klassifizierung), VIS-008 (Passantenfrequenz), VIS-011 (ANPR / Parkplatzbelegung). Sie liefern die Zählwerte, die dieser Anwendungsfall prognostiziert. Einen Edge- oder Video-Stack für die Zählung nutzen und aggregierte Zählwerte hierher senden.
• Nachgelagerte Optimierung: OPT-025 adaptive Signalsteuerung, OPT-028 Ridepooling/DRT-Disposition und Umverteilung, OPT-001 Tourenplanung, OPT-020 Störungsmanagement, OPT-021 Depot und E-Laden. Prognosen sind deren wichtigste Eingabe, und sie teilen sich Netzgraph und Streaming-Pipeline.
• Schwesterprognosen: PRED-018 (die ETA je Fahrt nutzt dieselben Reisezeitprognosen je Abschnitt), PRED-042 (Verkehrsprognosen sind eine wichtige Eingabe für Luftqualitätsprognosen).
• Gemeinsame Datenpipelines: GTFS/NeTEx, DATEX II und Anbindung der Nationalen Zugangspunkte, PostGIS-Straßengraph und H3-Raster, Einlesen von Wettervorhersagen (gemeinsam mit PRED-007 und PRED-017).

Aufwand, Kosten & Kennzahlen

• Weg A: Verkehrsdaten-Abonnements oder Routing-APIs brauchen Tage bis Wochen. Verkehrsmanagement- Plattformen sind mehrmonatige öffentliche Vergaben, deren Kosten von Netzgröße, Datenlizenzen und Integration in die Leitzentrale bestimmt werden.
• Weg B: 2–4 Monate für eine produktive Prognose von Fahrgastaufkommen oder Sharing-Nachfrage. Kostentreiber sind Lizenzen für Probe-Daten und Routing-API-Aufrufe, nicht die Rechenleistung.
• Weg C/D: 3–9 Monate, einschließlich Datenaufbereitung, Netzgraph und Integration. Ein CPU- oder kleiner GPU-Server genügt. Der Hauptkostenfaktor ist ein Daten- und ML-Team plus Detektorwartung.
• Kennzahlen:
• Prognosefehler je Horizont (MAE/MAPE/WAPE, Pinball-Verlust für Quantile) gegenüber einer saisonal naiven Basislinie.
• Anteil der Stauereignisse, die ≥ 15 min im Voraus prognostiziert wurden.
• Genauigkeit der Auslastungsprognose je Auslastungsklasse.
• Fahrzeugauslastung und Umverteilungsfahrten (Sharing) sowie Wartezeiten der Fahrgäste.
• Reisezeitzuverlässigkeit auf gesteuerten Korridoren.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsführung und der Abteilungsleitung (Verkehrsmanagement, Planung oder Betrieb), um die Entscheidung festzulegen, die die Prognose unterstützt. Die IT und die Dateneigner (Straßenbaulastträger, Ticketing, Parkplatzbetreiber) gewähren den Zugang; Lieferanten von Probe-Daten und Ticketing müssen Lizenzen vereinbaren. Recht und Compliance prüfen Vergabe- und Open-Data-Regeln; die/der Datenschutzbeauftragte prüft alle Mobilitätsdaten auf Einzelpersonenebene.

Betriebsrat: meist nein, da die Prognose Verkehr und Nachfrage betrifft, nicht das Verhalten von Beschäftigten. Es hängt vom Einzelfall ab, wenn Prognosen Dienstpläne von Fahrern speisen oder aus Fahrzeugdaten von Beschäftigten entstehen; dann greifen § 87 Abs. 1 Nr. 6 und § 90 Abs. 1 Nr. 3 BetrVG. In Kommunen und Verkehrsunternehmen ist der Personalrat der Ansprechpartner (GUIDE-004).

Datenschutz: Fahrt- und Standortspuren können personenbezogene Daten sein. Bevorzugen Sie aggregierte Zählwerte, führen Sie bei systematischer Verfolgung eine DSFA-Prüfung nach Art. 35 DSGVO durch und schließen Sie AVV ab (GUIDE-005).

KI-Kompetenz: Unterstützen Sie Planer und Betreiber mit einer Schulung zur Prognoseunsicherheit (GUIDE-006). Pilotieren Sie auf einem Korridor oder einer Linie über einen vollen Jahreszyklus. Lassen Sie den Menschen die Kontrolle: Disponenten und Verkehrsingenieure entscheiden über Maßnahmen; die Prognose ist ein Rat. Typische Sorge: „Das Modell verpasst Sonderveranstaltungen." Begegnen Sie ihr mit einem Veranstaltungskalender und sichtbaren Vorhersageintervallen (GUIDE-009, GUIDE-011).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Prognosen für Planung, Fahrgastinformation, Flottenumverteilung oder Logistik sind ein minimales Risiko, mit der Pflicht zur KI-Kompetenz (Art. 4) für das Personal. Anhang III Nr. 2 stuft KI, die als Sicherheitskomponente bei der Verwaltung und dem Betrieb des Straßenverkehrs dient, als Hochrisiko ein [15]. Wenn Prognosen sicherheitsrelevante Steuerungen ohne Mensch direkt antreiben, kann der Einsatz nach Art. 6 zum Hochrisiko-System werden, mit Risikomanagement, Protokollierung, menschlicher Aufsicht und Genauigkeitsdokumentation. Beispiele sind automatische Fahrstreifen- oder Tunnelsperrungen und Geschwindigkeitsregelung. Entscheidungsunterstützung für Betreiber bleibt normalerweise außerhalb dieser Kategorie. Jeden Einsatz einzeln bewerten.
• DSGVO / ePrivacy:
• Probe-Daten, GPS-Spuren, Ticketing- und Check-in/Check-out-Daten, WLAN-/Bluetooth-Zählung und Mobilfunkdaten sind personenbezogene oder leicht re-identifizierbare Standortdaten. Nur aggregierte oder anonymisierte Ströme sollten das Modell erreichen.
• AVV mit Datenanbietern prüfen und sich auf k-Anonymität / Mindestzahl-Schwellen stützen.
• Für großflächige Standortverarbeitung eine DSFA durchführen.
• MAC-Adressen-Tracking fällt in Deutschland zudem unter die ePrivacy-/TDDDG-Regeln.
• Branchenregeln: ITS-Richtlinie und delegierte Verordnungen zur Datenbereitstellung [4]. In Deutschland die Datenbereitstellungspflichten nach PBefG für Mobilitätsanbieter und die Mobilithek [5]. Bei der Nachnutzung städtischer Daten gelten Vergaberecht und Open-Data-Lizenzen.
• Typische Risiken: sich selbst entwertende oder selbsterfüllende Prognosen, Verzerrung zugunsten gut erfasster Gebiete und Anbieterabhängigkeit bei Probe-Daten. Gegenmaßnahmen: Szenariotests, Freigabe von Steuerungsmaßnahmen durch Menschen, Überwachung der Prognosedrift sowie Rückfall auf Fahrpläne und saisonale Profile.

Erste Schritte

1. Wählen Sie eine Entscheidung, die die Prognose verbessern soll, etwa Korridorstau, überfüllte Züge, Roller-Umverteilung oder Bemessung von Ladepunkten, und den dafür nötigen Horizont.
2. Erfassen Sie die Daten: eigene Zählungen, APC und Protokolle sowie kostenlose Feeds der Nationalen Zugangspunkte (Mobilithek, GTFS, DATEX II). Beheben Sie zuerst Detektorlücken und Kalender-/Veranstaltungsdaten.
3. Bauen Sie eine saisonal naive und eine LightGBM-Basislinie und testen Sie dann Chronos-2 oder Moirai im Zero-Shot-Verfahren auf demselben Rücktest.
4. Vergleichen Sie für Straßennetze einen Anbieter (TomTom/HERE/PTV) nur dann mit einem hauseigenen GNN, wenn Sie dichte Detektordaten besitzen.
5. Verbinden Sie die Prognose mit einem Handlungskreislauf (Disposition, Fahrgastinformation, Signalpläne) mit Freigabe durch Menschen und überwachen Sie den Prognosefehler wöchentlich.

Quellen

1. Google DeepMind — Traffic prediction with advanced Graph Neural Networks — https://deepmind.google/discover/blog/traffic-prediction-with-advanced-graph-neural-networks/
2. PTV Group — PTV to deliver real-time traffic prediction module for Abu Dhabi's multimodal platform — https://ptvgroup.com/en/resources/news/company/ptv-group-deliver-real-time-traffic-prediction-module-abu-dhabis-new
3. MATSim — Multi-Agent Transport Simulation (show case: SBB SIMBA MOBi) — https://www.matsim.org/examples/sbb
4. European Commission — ITS Directive and Action Plan (Directive (EU) 2023/2661, Delegated Regulations 2022/670, 2017/1926, 2024/490) — https://transport.ec.europa.eu/transport-themes/smart-mobility/road/its-directive-and-action-plan_en
5. Mobilithek — German National Access Point for mobility data — https://mobilithek.info/
6. GTFS Realtime — Vehicle Positions (occupancy_status) — https://gtfs.org/documentation/realtime/feed-entities/vehicle-positions/
7. Amazon Science — Chronos / Chronos-2 forecasting models — https://github.com/amazon-science/chronos-forecasting
8. Salesforce AI Research — uni2ts / Moirai 2.0 — https://github.com/SalesforceAIResearch/uni2ts
9. Google Research — TimesFM — https://github.com/google-research/timesfm
10. Eclipse SUMO — Simulation of Urban MObility — https://eclipse.dev/sumo/
11. TomTom — Traffic Stats — https://www.tomtom.com/products/traffic-stats/
12. Google Maps Platform — Routes API: traffic-aware routing and departure time — https://developers.google.com/maps/documentation/routes/config_trade_offs
13. LibCity — urban spatio-temporal prediction library — https://github.com/LibCity/Bigscity-LibCity
14. LargeST — large-scale traffic forecasting benchmark (NeurIPS 2023) — https://github.com/liuxu77/LargeST
15. EU AI Act — Annex III (high-risk AI systems) — https://artificialintelligenceact.eu/annex/3/